考虑动态尾流效应的深度学习辅助风电场模型预测控制用于自动发电控制
最优化与控制
2021-08-25 v2 系统与控制
系统与控制
摘要
为提供自动发电控制（AGC）服务，风电场（WFs）需要动态控制其运行以跟踪时变功率参考。尾流效应在涡轮间施加显著的气动相互作用，极大影响 WF 的动态功率生产。然而，动态尾流模型的非线性与高维特性带来了极高的计算复杂度，并使 WF 控制器设计模糊不清。本文通过提出一种新颖的面向控制的降阶 WF 模型以及深度学习辅助的模型预测控制（MPC）方法，克服了动态尾流模型带来的控制困难。利用计算流体动力学（CFD）近期进展提供模拟 WF 动态尾流流的高保真数据，专门设计了两种新颖的深度神经网络（DNN）架构来学习可捕获主导流动动力学的动态 WF 降阶模型（ROM）。然后，构建了一种新颖的 MPC 框架，其显式纳入所获得的 WF ROM 以协调不同涡轮，同时考虑动态尾流相互作用。所提出的 WF ROM 与控制方法在一个被广泛接受的高维动态 WF 模拟器中评估，其精度已由实际测量数据验证。研究了一个 9 涡轮 WF 案例和一个更大的 25 涡轮 WF 案例。通过将 WF 模型状态降低多个数量级，控制方法的计算负担大幅减少。此外，通过所提出的方法，WF 在动态运行中所能跟踪的 AGC 信号范围相较于现有贪婪控制器得以扩展。
引用
@article{arxiv.2006.09656,
title = {Deep Learning-Aided Model Predictive Control of Wind Farms for AGC Considering the Dynamic Wake Effect},
author = {Kaixuan Chen and Jin Lin and Yiwei Qiu and Feng Liu and Yonghua Song},
journal= {arXiv preprint arXiv:2006.09656},
year = {2021}
}
备注
Accepted by Control Engineering Practice